Пошук міських блоків за допомогою графіка напрочуд нетривіальний. В основному, це означає пошук найменшого набору найменших кілець (SSSR), що є повною проблемою. Огляд цієї проблеми (та пов'язаних з цим проблем) можна знайти тут . На SO є один опис алгоритму для його вирішення тут . Наскільки я можу сказати, немає відповідної реалізації networkx
(або в python для цього питання). Я спробував цей підхід коротко, а потім відмовився від нього - моєму мозку сьогодні не подряпини за таку роботу. Зважаючи на це, я присуджую нагороду кожному, хто пізніше зможе завітати на цю сторінку і опублікую перевірену реалізацію алгоритму, що знаходить SSSR в python.
Натомість я застосував інший підхід, використовуючи той факт, що графік гарантовано буде планарним. Коротко, замість того, щоб розглядати це як проблему графіків, ми трактуємо це як проблему сегментації зображення. По-перше, ми знаходимо всі пов'язані області на зображенні. Потім ми визначаємо контур навколо кожної області, перетворюємо контури в координатах зображень назад у довготи та широти.
З огляду на наступні визначення імпорту та функцій:
#!/usr/bin/env python
# coding: utf-8
"""
Find house blocks in osmnx graphs.
"""
import numpy as np
import osmnx as ox
import networkx as nx
import matplotlib.pyplot as plt
from matplotlib.path import Path
from matplotlib.patches import PathPatch
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
from skimage.measure import label, find_contours, points_in_poly
from skimage.color import label2rgb
ox.config(log_console=True, use_cache=True)
def k_core(G, k):
H = nx.Graph(G, as_view=True)
H.remove_edges_from(nx.selfloop_edges(H))
core_nodes = nx.k_core(H, k)
H = H.subgraph(core_nodes)
return G.subgraph(core_nodes)
def plot2img(fig):
# remove margins
fig.subplots_adjust(left=0, bottom=0, right=1, top=1, wspace=0, hspace=0)
# convert to image
# https://stackoverflow.com/a/35362787/2912349
# https://stackoverflow.com/a/54334430/2912349
canvas = FigureCanvas(fig)
canvas.draw()
img_as_string, (width, height) = canvas.print_to_buffer()
as_rgba = np.fromstring(img_as_string, dtype='uint8').reshape((height, width, 4))
return as_rgba[:,:,:3]
Завантажте дані. Кешуйте імпорт, якщо це тестувати повторно - інакше ваш рахунок може бути заборонений. Якщо говорити з досвіду тут.
G = ox.graph_from_address('Nørrebrogade 20, Copenhagen Municipality',
network_type='all', distance=500)
G_projected = ox.project_graph(G)
ox.save_graphml(G_projected, filename='network.graphml')
# G = ox.load_graphml('network.graphml')
Чорносливі вузли та краї, які не можуть бути частиною циклу. Цей крок не є строго необхідним, але приводить до вишуканіших контурів.
H = k_core(G, 2)
fig1, ax1 = ox.plot_graph(H, node_size=0, edge_color='k', edge_linewidth=1)
Перетворіть сюжет у зображення та знайдіть пов’язані регіони:
img = plot2img(fig1)
label_image = label(img > 128)
image_label_overlay = label2rgb(label_image[:,:,0], image=img[:,:,0])
fig, ax = plt.subplots(1,1)
ax.imshow(image_label_overlay)
Знайдіть контур для кожної міченої області та перетворіть контури піксельних координат назад у координати даних.
# using a large region here as an example;
# however we could also loop over all unique labels, i.e.
# for ii in np.unique(labels.ravel()):
ii = np.argsort(np.bincount(label_image.ravel()))[-5]
mask = (label_image[:,:,0] == ii)
contours = find_contours(mask.astype(np.float), 0.5)
# Select the largest contiguous contour
contour = sorted(contours, key=lambda x: len(x))[-1]
# display the image and plot the contour;
# this allows us to transform the contour coordinates back to the original data cordinates
fig2, ax2 = plt.subplots()
ax2.imshow(mask, interpolation='nearest', cmap='gray')
ax2.autoscale(enable=False)
ax2.step(contour.T[1], contour.T[0], linewidth=2, c='r')
plt.close(fig2)
# first column indexes rows in images, second column indexes columns;
# therefor we need to swap contour array to get xy values
contour = np.fliplr(contour)
pixel_to_data = ax2.transData + ax2.transAxes.inverted() + ax1.transAxes + ax1.transData.inverted()
transformed_contour = pixel_to_data.transform(contour)
transformed_contour_path = Path(transformed_contour, closed=True)
patch = PathPatch(transformed_contour_path, facecolor='red')
ax1.add_patch(patch)
Визначте всі точки оригінального графіка, які потрапляють всередину (або на) контуру.
x = G.nodes.data('x')
y = G.nodes.data('y')
xy = np.array([(x[node], y[node]) for node in G.nodes])
eps = (xy.max(axis=0) - xy.min(axis=0)).mean() / 100
is_inside = transformed_contour_path.contains_points(xy, radius=-eps)
nodes_inside_block = [node for node, flag in zip(G.nodes, is_inside) if flag]
node_size = [50 if node in nodes_inside_block else 0 for node in G.nodes]
node_color = ['r' if node in nodes_inside_block else 'k' for node in G.nodes]
fig3, ax3 = ox.plot_graph(G, node_color=node_color, node_size=node_size)
З'ясувати, чи є два блоки сусідами, досить легко. Просто перевірте, чи ділиться ними вузол:
if set(nodes_inside_block_1) & set(nodes_inside_block_2): # empty set evaluates to False
print("Blocks are neighbors.")